前言：想要寫(xiě)出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇卷積神經(jīng)網(wǎng)絡(luò)現(xiàn)狀范文，相信會(huì)為您的寫(xiě)作帶來(lái)幫助，發(fā)現(xiàn)更多的寫(xiě)作思路和靈感。

卷積神經(jīng)網(wǎng)絡(luò)現(xiàn)狀范文第1篇

關(guān)鍵詞：無(wú)人機(jī)；STM32；道路檢測(cè)；神經(jīng)網(wǎng)絡(luò)；模型訓(xùn)練

傳統(tǒng)的道路巡檢和保養(yǎng)主要由人工來(lái)完成，需要投入大量的人力物力來(lái)保證道路的相對(duì)安全，這種方式存在著低效率、高成本且難以保證道路的決定安全[1]。固定式交通檢測(cè)設(shè)備大量設(shè)置在道路的主干路上，也存在著一些缺陷：（1）監(jiān)控?cái)z像頭不能做到全覆蓋且具有一定的探測(cè)盲區(qū)。（2）監(jiān)控系統(tǒng)采用多屏幕方式，工作人員進(jìn)行道路故障判斷時(shí)受限。（3）不能靈活的通知有關(guān)部門(mén)對(duì)事故的快速應(yīng)急處理。為了克服上述的缺點(diǎn)，本文設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)道路巡檢系統(tǒng)，對(duì)發(fā)生故障和需要保養(yǎng)的道路能快速響應(yīng)，及時(shí)的通知有關(guān)部門(mén)，避免事故的發(fā)生。

1系統(tǒng)的總體設(shè)計(jì)

在無(wú)人機(jī)道路巡檢系統(tǒng)中，我們主要考慮了以下幾個(gè)要求[3]：（1）無(wú)人機(jī)系統(tǒng)能滿足正常的工作；（2）無(wú)人機(jī)系統(tǒng)能適應(yīng)各種天氣和氣候變化等；（3）無(wú)人機(jī)系統(tǒng)應(yīng)充分考慮控制的安全性；（4）視頻流的傳輸應(yīng)避免較長(zhǎng)的延時(shí)。無(wú)人機(jī)道路巡檢系統(tǒng)主要由無(wú)人機(jī)系統(tǒng)設(shè)計(jì)、遠(yuǎn)程控制系統(tǒng)、PC端系統(tǒng)三大部分組成，系統(tǒng)的總體結(jié)構(gòu)框圖如圖1所示。系統(tǒng)的具體工作原理為：無(wú)人機(jī)將道路環(huán)境檢測(cè)的結(jié)果，將處理后的視頻流通過(guò)遠(yuǎn)程傳輸?shù)姆绞?，發(fā)送到PC端進(jìn)行實(shí)時(shí)監(jiān)控道路狀況。遠(yuǎn)程控制系統(tǒng)以STM32作為主控芯片，主要包括在無(wú)人機(jī)端和遙控端兩個(gè)部分，遙控端將控制指令通過(guò)2.4G通信發(fā)送到無(wú)人機(jī)端，此時(shí)無(wú)人機(jī)的做出相應(yīng)的位姿變化，完成遙控端對(duì)無(wú)人機(jī)位姿的控制。無(wú)人機(jī)系統(tǒng)的圖像采集模塊芯片為樹(shù)莓派，完成圖像的采集并采用TCP通信實(shí)現(xiàn)遠(yuǎn)程視頻的傳輸，將獲取的視頻流傳輸?shù)絇C端。PC端上使用OpenCV對(duì)圖像進(jìn)行處理[4]，利用深度學(xué)習(xí)模塊對(duì)設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)訓(xùn)練，從而得到檢測(cè)模型，最后在PC上接收處理過(guò)的數(shù)據(jù)并實(shí)時(shí)監(jiān)測(cè)道路狀況。上述工作原理可實(shí)現(xiàn)無(wú)人機(jī)道路巡檢系統(tǒng)，下文將對(duì)其包括的三大模塊進(jìn)行說(shuō)明介紹。

2無(wú)人機(jī)系統(tǒng)設(shè)計(jì)

本次使用的是RaspberryPi3(modelB+)作為無(wú)人機(jī)的主控制板[7]，無(wú)人機(jī)的飛行控制算法和圖像采集模塊集成在樹(shù)莓派中。遠(yuǎn)程控制系統(tǒng)通過(guò)2.4G無(wú)線通信模塊連接，通過(guò)控制器實(shí)現(xiàn)對(duì)無(wú)人機(jī)飛行和圖像采集的控制。無(wú)人機(jī)系統(tǒng)總體結(jié)構(gòu)如圖2所示。

3PC端系統(tǒng)設(shè)計(jì)

在PC端系統(tǒng)設(shè)計(jì)主要分為圖像預(yù)處理、模型訓(xùn)練和視頻監(jiān)控三大部分，通過(guò)TCP通信協(xié)議進(jìn)行通信，TCP通信是一種面向連接的通信，可完成客戶端（樹(shù)莓派）和服務(wù)端（PC）的信息傳遞[9]。下面主要對(duì)前兩部分詳細(xì)介紹。

3.1圖像預(yù)處理

本系統(tǒng)對(duì)地面裂縫檢測(cè)的圖像預(yù)處理流程如圖3所示具體工作原理為：（1）采用加權(quán)平均灰度化對(duì)獲取的無(wú)人機(jī)影像進(jìn)行灰度化處理；（2）對(duì)灰度化處理后的影像進(jìn)行直方圖均衡化，使得影像具有高對(duì)比度和多元的灰度色調(diào)變化，為后續(xù)的濾波降噪奠定基礎(chǔ)；（3）對(duì)處理后的影像進(jìn)行濾波降噪，消除孤立的噪聲點(diǎn)，采用方法的是中值濾波降噪；（4）使用迭代二值化處理將影像的灰度值設(shè)置合適的閾值，使得圖像更簡(jiǎn)單，目標(biāo)更突出，然后對(duì)圖像進(jìn)行分割，計(jì)算迭代的閾值，判斷迭代的閾值是否收斂到某一值或者達(dá)到限定的迭代次數(shù)，如果是的話，將完成二值化處理和濾波，否則將初始二值化閾值；（5）最終完成道路故障的識(shí)別與標(biāo)記。

3.2模型檢測(cè)

3.2.1卷積神經(jīng)網(wǎng)絡(luò)原理使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，首先使用卷積層實(shí)現(xiàn)特征的提取，原理如圖4所示。如圖5所示，卷積操作是模仿神經(jīng)元的機(jī)制。不同的輸入在權(quán)重的影響下會(huì)有不同的輸出，根據(jù)損失函數(shù)的計(jì)算來(lái)不斷的更新權(quán)重，直到獲得合理的權(quán)重參數(shù)。初始傳遞的信號(hào)為x，中間通過(guò)權(quán)重w，再經(jīng)過(guò)偏置b后連接在末端，最后輸出信號(hào)變成wx+b。fun(?)表示激活函數(shù)，最終f(z為輸出的結(jié)果，如式（1）所示。3.2.2卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程通過(guò)相機(jī)采集到的缺陷和問(wèn)題圖像作為訓(xùn)練樣本，這部分是檢測(cè)道路安全的關(guān)鍵一步，（1）訓(xùn)練標(biāo)記數(shù)據(jù)：首先使用圖像預(yù)處理中標(biāo)記好的道路故障提取出來(lái)，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)標(biāo)記框內(nèi)的目標(biāo)數(shù)據(jù)進(jìn)行訓(xùn)練；（2）提取特征數(shù)據(jù)：將道路故障的類(lèi)型統(tǒng)計(jì)并歸納；（3）誤差反饋學(xué)習(xí)：對(duì)測(cè)試樣本進(jìn)行誤差反饋學(xué)習(xí)，并進(jìn)行測(cè)試；（4）優(yōu)化訓(xùn)練數(shù)據(jù)：根據(jù)實(shí)際應(yīng)用場(chǎng)景增加圖像的種類(lèi)和數(shù)量，不斷訓(xùn)練模型。3.2.3故障的基本分類(lèi)道路故障主要路面缺陷（例如裂縫、殘缺等）和路面增加（例如長(zhǎng)時(shí)間靜止的車(chē)輛和路人），各自訓(xùn)練集數(shù)量為1000張。如表1所示。3.2.4實(shí)驗(yàn)測(cè)試為實(shí)現(xiàn)故障的檢測(cè)，測(cè)試數(shù)據(jù)集為100張，不同類(lèi)型故障數(shù)據(jù)50張，均采集自新道路且與訓(xùn)練樣本一致，實(shí)驗(yàn)結(jié)果如表2所示。由表2可知，檢測(cè)路面增加（例如長(zhǎng)時(shí)間靜止的車(chē)輛和路人）的準(zhǔn)確率高達(dá)96%，但是地面缺陷的準(zhǔn)確率相比較而言略低，可能造成的原因是：①硬件原因?qū)е虏杉膱D像清晰度比較低；②地面缺陷太小，無(wú)人機(jī)難以識(shí)別；③訓(xùn)練的數(shù)據(jù)集較少，特征學(xué)習(xí)誤差大；但是滿足了設(shè)計(jì)需求，還需進(jìn)一步改進(jìn)。

4總結(jié)與展望

卷積神經(jīng)網(wǎng)絡(luò)現(xiàn)狀范文第2篇

關(guān)鍵詞 車(chē)輛自動(dòng)駕駛；人工智能；應(yīng)用實(shí)踐；智能汽車(chē)

中圖分類(lèi)號(hào) TP3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2017）182-0080-02

車(chē)輛自動(dòng)駕駛系統(tǒng)是改變傳統(tǒng)駕駛方式的重要技術(shù)類(lèi)型，但仍舊處于研發(fā)測(cè)試階段，并未展開(kāi)全面應(yīng)用。車(chē)輛自動(dòng)駕駛系統(tǒng)主要是由感知部分和控制部分構(gòu)成，控制部分主要完成對(duì)車(chē)輛的控制，促使車(chē)輛按照設(shè)計(jì)的線路展開(kāi)行駛，而感知部分則是對(duì)路線中障礙進(jìn)行識(shí)別，促使車(chē)輛進(jìn)行規(guī)避，保障車(chē)輛安全。然而現(xiàn)階段，車(chē)輛自動(dòng)駕駛的感知部分卻存在一定的瓶頸，制約車(chē)輛自動(dòng)駕駛系統(tǒng)的功能?；诖耍疚膶?duì)車(chē)輛自動(dòng)駕駛中人工智能的應(yīng)用展開(kāi)分析，具體內(nèi)容如下。

1 車(chē)輛自動(dòng)駕駛現(xiàn)狀分析

車(chē)輛自動(dòng)駕駛是借助網(wǎng)絡(luò)技術(shù)相關(guān)算法、高敏感度的傳感器和相關(guān)信息采集設(shè)備，綜合的對(duì)車(chē)輛行駛過(guò)程中路況信息進(jìn)行采集，由信息處理部分完成對(duì)車(chē)輛行駛過(guò)程中采集數(shù)據(jù)的分析，再由控制系統(tǒng)完成對(duì)車(chē)輛前進(jìn)、后退和停止等動(dòng)作進(jìn)行實(shí)施，可有效改變傳統(tǒng)車(chē)輛的駕駛方式，在提高車(chē)輛駕駛有效性的基礎(chǔ)上，可以解放駕駛?cè)藛T的雙手，并達(dá)到降低交通事故發(fā)生幾率，達(dá)到智能化汽車(chē)的構(gòu)建。

近年來(lái)，以百度、谷歌為首的行業(yè)，致力于人工智能技術(shù)應(yīng)用車(chē)輛自動(dòng)駕駛系統(tǒng)中，于2016年谷歌將無(wú)人駕駛的汽車(chē)測(cè)試到城市，并于2016年12月無(wú)人駕駛汽車(chē)項(xiàng)目剝離為獨(dú)立的公司waymo，完成對(duì)車(chē)輛自動(dòng)駕駛的研究，該公司的基于自動(dòng)駕駛的車(chē)輛的自動(dòng)行駛的距離>1.61×106km，并獲得大量的數(shù)據(jù)。

較比國(guó)外的車(chē)輛自動(dòng)駕駛的自主研究形式，國(guó)內(nèi)主要選擇汽車(chē)廠商與科研所高校等聯(lián)合研究的方式，主要有一汽、上汽、奇瑞等，均投入一定資金和研究力度，致力于研發(fā)可無(wú)人駕駛的智能汽車(chē)。同時(shí)，網(wǎng)絡(luò)技術(shù)和算法技術(shù)、硬件技術(shù)的不斷成熟，為車(chē)輛自動(dòng)駕駛提供了基礎(chǔ)，對(duì)智能汽車(chē)的構(gòu)建具有十分積極的意義。

隨著世界各類(lèi)尖端行業(yè)重視到汽車(chē)自動(dòng)駕駛大有可為，逐漸加大對(duì)車(chē)輛自動(dòng)駕駛的研究，并將具備車(chē)輛自動(dòng)駕駛能力的汽車(chē)作為未來(lái)汽車(chē)市場(chǎng)的主要方向，促使汽車(chē)可以在自動(dòng)駕駛的狀態(tài)下，完成對(duì)復(fù)雜環(huán)境的駕駛，達(dá)到高度自動(dòng)化駕駛的效果。

2 人工智能在車(chē)輛自動(dòng)駕駛中的應(yīng)用

人工智能是計(jì)算機(jī)科學(xué)的分支之一，所包含的領(lǐng)域較多，涵蓋機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別等，隨著人工智能研究的不斷深入，人工智能逐漸應(yīng)用到各個(gè)領(lǐng)域中。將人工智能應(yīng)用到車(chē)輛自動(dòng)駕駛中，可以對(duì)車(chē)輛自動(dòng)駕駛的瓶頸進(jìn)行突破，推動(dòng)車(chē)輛自動(dòng)駕駛的早日實(shí)現(xiàn)。

2.1 基于深度思考的人工智能

車(chē)輛自動(dòng)駕駛系統(tǒng)對(duì)基于深度思考的人工智能進(jìn)行應(yīng)用，深度思考是一種機(jī)器學(xué)習(xí)的算法，可完成多元非線性數(shù)據(jù)轉(zhuǎn)換、高級(jí)數(shù)據(jù)概念模型的構(gòu)建，促使車(chē)輛自動(dòng)駕駛系統(tǒng)的感知部分發(fā)生轉(zhuǎn)變。具體的基于深度思考的人工智能學(xué)習(xí)結(jié)構(gòu)，有深度神經(jīng)網(wǎng)絡(luò)（DNNs）、卷積神經(jīng)網(wǎng)絡(luò)（CNNs）、深度信念網(wǎng)絡(luò)等，在具體的車(chē)輛自動(dòng)駕駛系統(tǒng)中，完成對(duì)車(chē)輛的視覺(jué)、語(yǔ)言等信息的識(shí)別。蘋(píng)果手機(jī)編制程序?qū)＜褿eorge？Hotz創(chuàng)建的企業(yè)，構(gòu)建的基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)駕駛車(chē)輛，并借助人工智能實(shí)現(xiàn)車(chē)輛訓(xùn)練。在具體的車(chē)輛訓(xùn)練過(guò)程中，選擇激光雷達(dá)作為主要視覺(jué)裝置，完成周邊環(huán)境的精準(zhǔn)三維掃描，進(jìn)而實(shí)現(xiàn)對(duì)周邊環(huán)境的識(shí)別，且可以完成對(duì)車(chē)位置信息的報(bào)告。

2.2 基于人工智能解讀的儀表板攝像頭

選擇以帕洛阿爾托為基地的NAUTO使用的prosumer相機(jī)中發(fā)現(xiàn)的各類(lèi)圖像傳感器，并運(yùn)用運(yùn)動(dòng)感應(yīng)器、GPS等，轉(zhuǎn)變激光雷達(dá)傳感器昂貴的情況，達(dá)到降低車(chē)輛自動(dòng)駕駛的感知成本，并有效完成對(duì)周邊地形的識(shí)別。借助NAUTO系統(tǒng)，不但能夠完成對(duì)道路前方情況的識(shí)別，還能對(duì)車(chē)輛內(nèi)部的情況信息進(jìn)行采集，車(chē)輛乘坐人員可以根據(jù)面部表情、手勢(shì)和語(yǔ)言完成對(duì)車(chē)輛的控制，達(dá)到改善人機(jī)交互界面。

2.3 基于人工智能的尾剎

現(xiàn)階段，汽車(chē)輔助系統(tǒng)不斷發(fā)展和完善，切實(shí)應(yīng)用到車(chē)輛中，基于人工智能的ADAS技術(shù)，配合ACC（自適應(yīng)循環(huán)）、LDWS（車(chē)道偏移報(bào)警系統(tǒng)）、自動(dòng)泊車(chē)等系統(tǒng)的應(yīng)用，使得目前車(chē)輛具備良好的自動(dòng)能力。而ADAS技術(shù)的應(yīng)用，可以使得汽車(chē)在具體運(yùn)行中如果前方存在車(chē)輛或是前方存在障礙物不能繞過(guò)的情況，借助ADAS技術(shù)的應(yīng)用，可以實(shí)現(xiàn)自動(dòng)剎車(chē)，進(jìn)而保障車(chē)輛的行駛安全。

2.4 感知、計(jì)劃、動(dòng)作的agent結(jié)構(gòu)應(yīng)用

車(chē)輛自動(dòng)駕駛系統(tǒng)中對(duì)人工智能進(jìn)行應(yīng)用，對(duì)改善自動(dòng)車(chē)輛駕駛的效果顯著，改善車(chē)輛自動(dòng)駕駛的效果。

借助知識(shí)庫(kù)的十二構(gòu)建，可以給予自動(dòng)駕駛行駛過(guò)程中的地理信息、電子地圖、交通信息和相關(guān)法律法規(guī)這些內(nèi)容。且這些知識(shí)主要是以知識(shí)的形式展示，并借助知R推理中的A算法，可以有效完成對(duì)下一個(gè)被檢查的結(jié)點(diǎn)時(shí)引入已知的全局信息進(jìn)行解讀，達(dá)到對(duì)最優(yōu)路線的選擇，獲得可能性最大的結(jié)點(diǎn)，繼而保障知識(shí)所搜的效率。借助感知―計(jì)劃―動(dòng)作agent結(jié)構(gòu)的人工職能，可以將車(chē)輛自動(dòng)行駛的速度分為3個(gè)檔次：High、Middle、Fast，轉(zhuǎn)向角度為7等，分別為0°，±10°，±20°，±30°。且可以完成對(duì)各類(lèi)障礙的規(guī)避。

3 車(chē)輛自動(dòng)駕駛中人工智能應(yīng)用的相關(guān)問(wèn)題

1）車(chē)輛自動(dòng)駕駛具有良好的發(fā)展前景，而人工智能的應(yīng)用，進(jìn)一步優(yōu)化了車(chē)輛自動(dòng)駕駛系統(tǒng)的功能，達(dá)到減少錯(cuò)誤的情況，借助人工智能盡可能降低各類(lèi)錯(cuò)誤的存在，規(guī)避自動(dòng)駕駛風(fēng)險(xiǎn)的存在。需不斷加強(qiáng)對(duì)人工智能的研究和分析，促使人工智能和車(chē)輛自動(dòng)駕駛有機(jī)的結(jié)合，為智能汽車(chē)的構(gòu)建奠定基礎(chǔ)。

2）人工智能應(yīng)用時(shí)，需要對(duì)車(chē)輛電腦程序和信息網(wǎng)絡(luò)的安全系數(shù)進(jìn)行控制，避免非法入侵對(duì)車(chē)輛造成不利影響，進(jìn)而導(dǎo)致安全隱患的發(fā)生。

3）人工智能在具體的應(yīng)用中，需要對(duì)預(yù)測(cè)和回應(yīng)人類(lèi)行為的問(wèn)題進(jìn)行處理，進(jìn)而增加自動(dòng)駕駛車(chē)輛與人的互動(dòng)。

4）基于人工智能的智能汽車(chē)定責(zé)的法律問(wèn)題，國(guó)家需要建立相關(guān)的法律法規(guī)，不斷完善車(chē)輛自動(dòng)駕駛的相關(guān)立法，完成對(duì)各類(lèi)問(wèn)題的處理，提升法律的適應(yīng)性。

4 結(jié)論

分析車(chē)輛自動(dòng)駕駛的現(xiàn)狀，再詳細(xì)的對(duì)人工智能在車(chē)輛自動(dòng)駕駛的應(yīng)用，再解讀基于感知―計(jì)劃―動(dòng)作agent結(jié)構(gòu)的人工智能的具體應(yīng)用，并分析人工智能在車(chē)輛自動(dòng)駕駛中應(yīng)用的相關(guān)問(wèn)題，為推動(dòng)車(chē)輛自動(dòng)駕駛的水平和智能化水平提供基礎(chǔ)，達(dá)到改善人們生活的效果。

參考文獻(xiàn)

[1]黃健.車(chē)輛自動(dòng)駕駛中的仿人控制策略研究[D].合肥：合肥工業(yè)大學(xué)，2013.

[2]謝基雄.探析人工智能技術(shù)對(duì)電氣自動(dòng)化的實(shí)踐運(yùn)用[J].電源技術(shù)應(yīng)用，2013（9）.

[3]禹昕.人工智能在電氣工程自動(dòng)化中的運(yùn)用實(shí)踐研究[J].工程技術(shù)：全文版，2016（12）：00247.

[4]余阿東，陳睿煒.汽車(chē)自動(dòng)駕駛技術(shù)研究[J].汽車(chē)實(shí)用技術(shù)，2017（2）：124-125.

卷積神經(jīng)網(wǎng)絡(luò)現(xiàn)狀范文第3篇

在為人們提供便捷服務(wù)的同時(shí)，互聯(lián)網(wǎng)應(yīng)用也存在很多安全問(wèn)題及威脅，如計(jì)算機(jī)病毒、變異木馬等，利用大規(guī)模互聯(lián)網(wǎng)集成在一起產(chǎn)生的漏洞攻擊網(wǎng)絡(luò)，導(dǎo)致數(shù)據(jù)泄露或被篡改，甚至使整個(gè)網(wǎng)絡(luò)系統(tǒng)無(wú)法正常運(yùn)行。隨著網(wǎng)絡(luò)接入用戶的增多，互聯(lián)網(wǎng)接入的軟硬件資源也更多，因此對(duì)網(wǎng)絡(luò)安全處理速度就會(huì)有更高的要求，以便能夠提高木馬或病毒處理速度，降低網(wǎng)絡(luò)病毒的感染范圍，積極的響應(yīng)應(yīng)用軟件，具有重要的作用和意義。

2網(wǎng)絡(luò)安全防御技術(shù)應(yīng)用發(fā)展現(xiàn)狀

目前，人們已經(jīng)進(jìn)入到了“互聯(lián)網(wǎng)+”時(shí)代，面臨的安全威脅也更多，比如木馬病毒、DDOS攻擊和數(shù)據(jù)盜竊等?；ヂ?lián)網(wǎng)受到的攻擊也會(huì)給人們帶來(lái)嚴(yán)重的損失，比如勒索病毒攻擊了許多的大型跨國(guó)公司、證券銀行等，到這這些政企單位的辦公電腦全都發(fā)生了藍(lán)屏現(xiàn)象，用戶無(wú)法進(jìn)入到操作系統(tǒng)進(jìn)行文件處理，勒索病毒要求這些單位支付一定額度的贖金才可以正常使用系統(tǒng)，導(dǎo)致許多公司損失了很多的資金。分布式服務(wù)器攻擊（DDOS）也非常嚴(yán)重，模擬大量的用戶并發(fā)訪問(wèn)網(wǎng)絡(luò)服務(wù)器，導(dǎo)致正常用戶無(wú)法登陸服務(wù)器。因此，為了提高信息安全，人們提出了防火墻、殺毒軟件或訪問(wèn)控制列表等安全防御技術(shù)

2.1防火墻

防火墻是一種比較先進(jìn)的網(wǎng)絡(luò)安全防御軟件，這種軟件可以設(shè)計(jì)很多先進(jìn)的規(guī)則，這些規(guī)則不屬于互聯(lián)網(wǎng)的傳輸層或網(wǎng)絡(luò)層，可以運(yùn)行于互聯(lián)網(wǎng)TCP/IP傳輸協(xié)議棧，使用循環(huán)枚舉的基本原則，逐個(gè)檢查每一個(gè)通過(guò)網(wǎng)絡(luò)的數(shù)據(jù)包，如果發(fā)現(xiàn)某個(gè)數(shù)據(jù)包的包頭IP地址和目的地IP地址及包內(nèi)容等存在威脅，就可以及時(shí)的將其清除，不允許通過(guò)網(wǎng)絡(luò)。

2.2殺毒軟件

殺毒軟件是一種非常先進(jìn)的程序代碼，其可以查殺網(wǎng)絡(luò)中存在的安全威脅，利用病毒庫(kù)中一些收錄的病毒或木馬特征，判斷互聯(lián)網(wǎng)中是否存在這些類(lèi)似的病毒或木馬。殺毒軟件采用了很多技術(shù)，如主動(dòng)防御、啟發(fā)技術(shù)、特征碼技術(shù)、脫殼技術(shù)、行為分析等，這些都可以實(shí)時(shí)的監(jiān)控訪問(wèn)互聯(lián)網(wǎng)的運(yùn)行狀態(tài)，確保網(wǎng)絡(luò)正常使用。目前，許多大中型企業(yè)都開(kāi)發(fā)了殺毒軟件，比如360安全衛(wèi)士、江民殺毒、騰訊衛(wèi)士、卡巴斯基等，取得了顯著的應(yīng)用成效。

3基于人工智能的網(wǎng)絡(luò)安全防御系統(tǒng)設(shè)計(jì)

3.1系統(tǒng)功能分析

基于人工智能的網(wǎng)絡(luò)安全防御系統(tǒng)利用機(jī)器學(xué)習(xí)或模式識(shí)別技術(shù)，從互聯(lián)網(wǎng)中采集流量數(shù)據(jù)，將這些數(shù)據(jù)發(fā)送給人工智能模型進(jìn)行分析，發(fā)現(xiàn)網(wǎng)絡(luò)中是否存在網(wǎng)絡(luò)病毒。具體的網(wǎng)絡(luò)安全防御系統(tǒng)的功能包括以下幾個(gè)方面：

3.1.1自動(dòng)感知功能

自動(dòng)感知是人工還能應(yīng)用的一個(gè)重要亮點(diǎn)，這也是網(wǎng)絡(luò)安全系統(tǒng)最為關(guān)鍵的功能，自動(dòng)感知可以主動(dòng)的分析互聯(lián)網(wǎng)中是否存在安全隱患，比如病毒、木馬等數(shù)據(jù)片段，利用這些片段特征實(shí)現(xiàn)網(wǎng)絡(luò)病毒的判斷。

3.1.2智能響應(yīng)功能

人工智能在網(wǎng)絡(luò)安全系統(tǒng)中可以實(shí)現(xiàn)智能響應(yīng)，如果一旦發(fā)現(xiàn)某一個(gè)病毒或木馬侵入網(wǎng)絡(luò)，此時(shí)就需要按照實(shí)際影響范圍進(jìn)行智能度量，影響范圍大、造成的損失較多就可以啟用全面殺毒；影響范圍小、造成的損失較少就可以啟動(dòng)局部殺毒，這樣既可以清除網(wǎng)絡(luò)中的病毒或木馬，還可以降低網(wǎng)絡(luò)的負(fù)載，實(shí)現(xiàn)按需殺毒服務(wù)。

3.2人工智能應(yīng)用設(shè)計(jì)

人工智能在網(wǎng)絡(luò)安全防御中的應(yīng)用流程如下所述：目前互聯(lián)網(wǎng)接入的設(shè)備非常多，來(lái)源于網(wǎng)絡(luò)的數(shù)據(jù)攻擊也非常多，比如DDOS攻擊、網(wǎng)站篡改、設(shè)備漏洞等，因此可以利用人工智能技術(shù)，從根本上發(fā)現(xiàn)、分析、挖掘異常流量中的問(wèn)題，基于人工智能的網(wǎng)絡(luò)安全系統(tǒng)具有一個(gè)顯著的特征，這個(gè)特征就是利用先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)構(gòu)建一個(gè)主動(dòng)化防御模型，這個(gè)模型可以清楚網(wǎng)絡(luò)中的木馬或病毒，能夠有效的避免互聯(lián)網(wǎng)受到攻擊，也可以將這些病毒或木馬牽引到一些備用服務(wù)器，在備用服務(wù)器上進(jìn)行識(shí)別、追蹤，判斷網(wǎng)絡(luò)病毒的來(lái)源，從而可以徹底根除后患。人工智能在網(wǎng)絡(luò)安全防御中引入很多先進(jìn)的殺毒技術(shù)，比如自我保護(hù)技術(shù)、實(shí)時(shí)監(jiān)控技術(shù)，基于卷積神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、自動(dòng)審計(jì)等，可以自動(dòng)化快速識(shí)別網(wǎng)絡(luò)中的病毒及其變異模式，將其從互聯(lián)網(wǎng)中清除，同時(shí)還可以自我升級(jí)服務(wù)。

4結(jié)束語(yǔ)

目前，互聯(lián)網(wǎng)承載的應(yīng)用軟件非常多，運(yùn)行積累了海量的數(shù)據(jù)資源，因此安全防御系統(tǒng)可以引入數(shù)據(jù)挖掘構(gòu)建智能分析系統(tǒng)，可以利用人工智能等方法分析網(wǎng)絡(luò)中是否存在一些病毒特征，即使這些病毒特征發(fā)生了變異，人工智能處理方法也可以利用先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)發(fā)現(xiàn)這些病毒的蹤跡，從而可以更加準(zhǔn)確的判斷病毒或木馬，及時(shí)的啟動(dòng)智能響應(yīng)模塊，將這些病毒或木馬清除。人工智能在查殺的時(shí)候還可以按需提供服務(wù)，不需要時(shí)刻占據(jù)所有的負(fù)載，提高了網(wǎng)絡(luò)利用率。

參考文獻(xiàn)

[1]于成麗,安青邦,周麗麗.人工智能在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用和發(fā)展新趨勢(shì)[J].保密科學(xué)技術(shù),2017(11):10-14.

[2]王海濤.基于大數(shù)據(jù)和人工智能技術(shù)的信息安全態(tài)勢(shì)感知系統(tǒng)研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2018(03):114-115.

卷積神經(jīng)網(wǎng)絡(luò)現(xiàn)狀范文第4篇

論文摘要:當(dāng)點(diǎn)擴(kuò)展函數(shù)未知或不確知的情況下,從觀察到的退化圖像中恢復(fù)原始圖像的過(guò)程稱為圖像盲復(fù)原。近年來(lái),圖像盲復(fù)原算法得到了廣泛的研究。本文在介紹了盲圖像恢復(fù)算法的現(xiàn)狀的基礎(chǔ)上進(jìn)一步研究其的發(fā)展方向。

一、引言

圖像恢復(fù)是圖像處理中的一大領(lǐng)域,有著廣泛的應(yīng)用,正成為當(dāng)前研究的熱點(diǎn)。圖像恢復(fù)的主要目的是使退化圖像經(jīng)過(guò)一定的加工處理,去掉退化因素,以最大的保真度恢復(fù)成原來(lái)的圖像。傳統(tǒng)的圖像恢復(fù)假設(shè)圖像的降質(zhì)模型是己知的。而許多情況下,圖像的降質(zhì)模型未知或具有較少的先驗(yàn)知識(shí),必須進(jìn)行所謂的盲恢復(fù)。其重要性和艱巨性而成為一個(gè)研究熱點(diǎn)。目前所能獲取的觀測(cè)圖像是真實(shí)圖像經(jīng)過(guò)觀測(cè)系統(tǒng)成像的結(jié)果。由于觀測(cè)系統(tǒng)本身物理特性的限制,同時(shí)受觀測(cè)環(huán)境的影響,觀測(cè)圖像和真實(shí)圖像之間不可避免地存在著偏差和失真,稱觀測(cè)系統(tǒng)對(duì)真實(shí)圖像產(chǎn)生了降質(zhì)。圖像恢復(fù)的目的就是根據(jù)降質(zhì)的觀測(cè)圖像分析和計(jì)算得出真實(shí)圖像。

二、圖像盲恢復(fù)算法的現(xiàn)狀

總體來(lái)說(shuō),圖像盲復(fù)原方法主要分為以下兩類(lèi):一是首先利用真實(shí)圖像的特別特征估計(jì)PSF,然后借助估計(jì)得到的PSF,采用經(jīng)典的圖像復(fù)原方法進(jìn)行圖像的復(fù)原。這類(lèi)方法將PSF的估計(jì)與圖像的復(fù)原過(guò)程分為2個(gè)不同的過(guò)程,因而具有較少計(jì)算量的特點(diǎn);二是PSF辨識(shí)和真實(shí)圖像估計(jì)相結(jié)合,同時(shí)辨識(shí)PSF和真實(shí)圖像。這類(lèi)算法較為復(fù)雜,計(jì)算量較大。另外,對(duì)于點(diǎn)擴(kuò)展函數(shù)也考慮了空間變化的復(fù)雜情況。針對(duì)目前的盲復(fù)原算法的現(xiàn)狀,根據(jù)退化模型的特點(diǎn),重新將算法分為空間不變的單通道盲復(fù)原算法、空間不變多通道盲復(fù)原算法和空間變化圖像盲復(fù)原算法3類(lèi)。

(一)單通道空間不變圖像盲復(fù)原算法

在這類(lèi)算法中,最為常用的是參數(shù)法和迭代法。

1)參數(shù)法。所謂參數(shù)法,即模型參數(shù)法,就是將PSF和真實(shí)圖像用某一類(lèi)模型加以描述,但模型的參數(shù)需要進(jìn)行辨識(shí)。在參數(shù)法中,典型的有先驗(yàn)?zāi)：孀R(shí)法和ARMA參數(shù)估計(jì)法,前者先辨識(shí)PSF的模型參數(shù),后辨識(shí)真實(shí)圖像,屬于第1種類(lèi)型的圖像盲復(fù)原算法,因而計(jì)算量較小;后者同時(shí)辨識(shí)PSF和真實(shí)圖像模型參數(shù),屬于第2種類(lèi)型圖像盲復(fù)原算法。

2)迭代法。所謂的迭代法,不是通過(guò)建立模型而是通過(guò)算法的迭代過(guò)程,加上有關(guān)真實(shí)圖像和PSF的約束來(lái)同時(shí)辨識(shí)PSF和真實(shí)圖像的方法。迭代法是單通道

圖像盲復(fù)原算法中應(yīng)用最廣泛的一類(lèi)算法,它不需建立模型,也不要求PSF為最小相位系統(tǒng),因而跟實(shí)際更為接近。在這類(lèi)算法中,迭代盲復(fù)原算法(IBD),基于非負(fù)性和決策域的遞歸逆濾波器算法(NAR2RIF),基于高階統(tǒng)計(jì)特性的最小

熵算法等最為典型。

(二)多通道二維圖像盲復(fù)原

多通道二維圖像盲復(fù)原,這類(lèi)方法將數(shù)字通訊領(lǐng)域應(yīng)用的一維多通道盲原分離算法擴(kuò)展到二維情況并用于圖像的盲恢復(fù)。這類(lèi)算法中有兩種代數(shù)方法,一種是先辨識(shí)模糊函數(shù),再采用常規(guī)的恢復(fù)算法進(jìn)行復(fù)原;另一種是直接對(duì)逆濾波器進(jìn)行估計(jì)。此類(lèi)算法的優(yōu)點(diǎn)在于不需對(duì)初始圖像進(jìn)行估計(jì),也不存在穩(wěn)定性和收斂性問(wèn)題,對(duì)圖像以及模糊函數(shù)的約束是松弛的,算法具有一般性。但是第1種算法要求采用復(fù)原算法具有收斂性;第2種算法對(duì)噪聲敏感。

(三)空間改變的圖像盲復(fù)原方法

在許多實(shí)際的應(yīng)用中,模糊往往是空間變化的,但由于處理工作的難度,目前的研究較少,基本有相關(guān)轉(zhuǎn)換恢復(fù)和直接法兩類(lèi)。

相關(guān)轉(zhuǎn)換恢復(fù)的基本思想是區(qū)域分割,即將整幅圖像分為若干局部區(qū)域,然后假設(shè)在各個(gè)局部區(qū)域模糊是空間不變的,利用空間不變的圖像復(fù)原有關(guān)算法進(jìn)行復(fù)原。這類(lèi)方法都是基于窗口的模糊辨識(shí)技術(shù),圖像的估計(jì)取決于窗口的大小,由于模糊參數(shù)是連續(xù)變化的,在范圍較大時(shí)空間不變的假設(shè)是不成立的,因而模糊的估計(jì)精度較差,而且這種方法只能針對(duì)部分空間變化的模糊進(jìn)行處理,缺乏通用性;其次在區(qū)域的邊上存在振鈴現(xiàn)象。

直接法的基本思想是直接對(duì)圖像進(jìn)行處理。如采用簡(jiǎn)化的二維遞推卡爾曼濾波器進(jìn)行圖像模型和模糊模型的直接轉(zhuǎn)換方法,其缺點(diǎn)是只能針對(duì)有限的模型,而且模型數(shù)增加,計(jì)算量會(huì)顯著增大;采用共軛梯度迭代算法,但只見(jiàn)到一個(gè)31×31的文本圖像處理的結(jié)果報(bào)道,對(duì)于大圖像處理效果尚需進(jìn)一步的研究;將空間變化圖像系統(tǒng)建立成馬爾苛夫隨機(jī)模型,對(duì)復(fù)原過(guò)程,采用模擬退火算法進(jìn)行最大后驗(yàn)估計(jì)的方法,這種方法避免了圖像的窗口化,并能克服模糊參數(shù)不連續(xù)性造成的影響,但這種方法只能局限于將模糊過(guò)程建立成單參數(shù)的馬爾苛夫隨機(jī)模型的情況,而且計(jì)算量也較大。

三、圖像盲恢復(fù)的應(yīng)用前景

(1)現(xiàn)有算法的改進(jìn)以及新的算法研究?，F(xiàn)有各種算法還存在許多不足,有必要對(duì)算法進(jìn)一步改進(jìn)。如IBD算法中,如何選擇初始條件才能保證算法的收斂;如何選擇算法終止條件才能保證恢復(fù)的質(zhì)量;如何選擇濾波器中的噪聲參數(shù)才能減少噪聲的影響。又如NAR2RIF算法中,如何進(jìn)一步解決噪聲敏感問(wèn)題,支持域的確定以及如何將算法擴(kuò)展到非均勻背景的情況等。提出新的算法更好地解決圖像盲復(fù)原問(wèn)題,也是今后研究的熱點(diǎn)。

(2)基于非線性退化模型的圖像盲復(fù)原算法。在實(shí)際應(yīng)用中,嚴(yán)格來(lái)講,所有的退化模型都是非線性的。對(duì)模型采用線性化的方法進(jìn)行近似處理,雖然算法簡(jiǎn)單,但對(duì)非線性嚴(yán)重的情況處理效果并不理想。基于多項(xiàng)式以及神經(jīng)網(wǎng)絡(luò)兩種參數(shù)模型處理非線性信號(hào)盲分離算法,算法擴(kuò)展到二維圖像情況需要進(jìn)一步研究。研究基于非線性退化模型的圖像盲復(fù)原算法也是下一步研究方向之一。

(3)去噪處理算法研究。加性噪聲的存在,使圖像的復(fù)原問(wèn)題變成了一個(gè)病態(tài)問(wèn)題,而且由于一般假設(shè)只知道噪聲的統(tǒng)計(jì)特性,因此要從退化圖像中完全去除噪聲是不可能的。另外,由于噪聲的存在,恢復(fù)的效果并不理想,結(jié)合降噪的圖像盲恢復(fù)的算法研究有很現(xiàn)實(shí)的意義,這方面也進(jìn)行了部分工作。為克服噪聲的影響,一般采用先進(jìn)行降噪,后進(jìn)行復(fù)原;二是將降噪和復(fù)原同時(shí)進(jìn)行這兩類(lèi)方法。目前,大多數(shù)算法中將噪聲描述成高斯噪聲進(jìn)行研究,在實(shí)際應(yīng)用時(shí)有較大局限性。對(duì)于非高斯情況的研究采用基于噪聲的高階統(tǒng)計(jì)特性的去噪算法研究也是很重要的研究方向,也可采用其他類(lèi)型的方法進(jìn)行降噪,利用自組織映射的非線性獨(dú)立組件分析方法進(jìn)行圖像降噪處理算法。

(4)實(shí)時(shí)處理算法。算法的的復(fù)雜性是制約算法應(yīng)用的一個(gè)重要方面。可采用正則化的離散周期Radon變換的方法將二維的卷積轉(zhuǎn)化為一維進(jìn)行處理,以提高算法的速度;也可采用神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)處理算法。算法的實(shí)時(shí)性是算法實(shí)際應(yīng)用的先決條件。

(5)應(yīng)用研究。算法的應(yīng)用是推動(dòng)算法研究的動(dòng)力。雖然圖像盲復(fù)原算法在天文學(xué)、醫(yī)學(xué)、遙感等方面獲得了較大的應(yīng)用,但將算法應(yīng)用到一般的工業(yè)圖像實(shí)時(shí)檢測(cè)、機(jī)器視覺(jué)、網(wǎng)絡(luò)環(huán)境下的圖像傳輸恢復(fù)、刑事偵破等方面還有大量的工作要做。

參考文獻(xiàn):

[1]薛梅,楊綠溪.用于含噪二值圖像的改進(jìn)NAS-RIF圖像盲復(fù)原算[J].數(shù)據(jù)處理.2006.17.(2).

卷積神經(jīng)網(wǎng)絡(luò)現(xiàn)狀范文第5篇

關(guān)鍵詞:紅棗(Ziziphus zizyphus);邊緣檢測(cè);分級(jí)

中圖分類(lèi)號(hào):S665.1;TP751.1文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):0439-8114(2014)10-2427-04

Grading Red Dates Based on the Size from Image Edge Detection

YAO Na,WU Gang,CHEN Jie

(College of Information Engineering,Tarim University,Alar843300,Xinjiang,China)

Abstract:Starting from the application area of research in computer vision, a method of using image edge detection to calculate the size of red dates and to classify red dates in the case of absenting decayed red dates was developed. Simulation of edge detection demonstrated the validity and superiority of the wavelet method and the simulation of grading detection proved that the new method was effective and rapid,providing the basis for the key design of red dates classifier.

Key words:red dates(Ziziphus zizyphus); edge detection; grading

基金項(xiàng)目:新疆生產(chǎn)建設(shè)兵團(tuán)青年科技創(chuàng)新資金專(zhuān)項(xiàng)(2013CB020)

新疆地區(qū)紅棗品種較多,有的品種含糖量高達(dá)34%,其營(yíng)養(yǎng)豐富,受到人們的喜愛(ài)。目前,紅棗品種越來(lái)越多,其產(chǎn)量及銷(xiāo)售量也越來(lái)越高,紅棗采集后對(duì)其進(jìn)行分類(lèi)是加工過(guò)程中很重要的工作環(huán)節(jié),最初的分揀都是由人工完成,一方面需要大量的人力資源;另一方面不能保證產(chǎn)品的安全。隨著科學(xué)技術(shù)的發(fā)展,農(nóng)業(yè)機(jī)械化的應(yīng)用越來(lái)越廣泛,研究者將重點(diǎn)關(guān)注紅棗自動(dòng)分級(jí),可以節(jié)省人力而實(shí)現(xiàn)農(nóng)業(yè)自動(dòng)化。李湘萍[1]介紹了紅棗分級(jí)機(jī)的工作原理;張保生等[2]將紅棗的形狀特征、顏色特征和紋理特征通過(guò)BP網(wǎng)絡(luò)算法進(jìn)行自動(dòng)分級(jí);趙文杰等[3]提出了以顏色作為特征利用支持向量機(jī)的方法進(jìn)行紅棗的缺陷識(shí)別,識(shí)別率可達(dá)96.2%;肖愛(ài)玲[4]對(duì)幾種典型的紅棗分級(jí)機(jī)的結(jié)構(gòu)進(jìn)行了介紹;肖愛(ài)玲等[5]對(duì)2011年前紅棗的分級(jí)技術(shù)及研究現(xiàn)狀進(jìn)行了總結(jié);沈從舉等[6]對(duì)紅棗分級(jí)機(jī)的研究狀態(tài)和應(yīng)用方法進(jìn)行了歸納。

目前,基于計(jì)算機(jī)視覺(jué)的方法具有智能化、精度高、損傷小等優(yōu)點(diǎn),該方法的核心部分在于選取什么特征以及利用何種算法對(duì)紅棗進(jìn)行判斷。研究者提出的方法具有一個(gè)共同特點(diǎn)是特征選取較多,比如同時(shí)提取顏色特征、形狀特征和紋理特征,因此計(jì)算量較大,分級(jí)機(jī)的設(shè)計(jì)組成對(duì)信息處理的硬件部分有較高的要求,在紅棗分級(jí)機(jī)的設(shè)計(jì)中存在兩方面的問(wèn)題:一方面成本較高;另一方面硬件達(dá)不到設(shè)計(jì)的要求。小波變換對(duì)噪聲不敏感,邊緣檢測(cè)清晰,所以有不少研究者將不同的小波變換方法[7-10]應(yīng)用在圖像邊緣檢測(cè)中,經(jīng)仿真試驗(yàn)證明也適合應(yīng)用在紅棗的邊緣檢測(cè)中。因此,本研究提出一種簡(jiǎn)單的分級(jí)方法來(lái)對(duì)紅棗進(jìn)行分級(jí),即以提取紅棗的邊緣特征,只有形狀特征,應(yīng)用小波變換的算法,減少了計(jì)算量。

1材料與方法

1.1材料

紅棗品種為新疆阿拉爾地區(qū)種植的駿棗,已經(jīng)過(guò)人為的挑揀,測(cè)試結(jié)果得分為優(yōu)等級(jí)的個(gè)數(shù)較多。

1.2檢測(cè)方法

在無(wú)腐爛的情況下,個(gè)體較大、飽滿的紅棗可分到較高的級(jí)別中,可用邊緣檢測(cè)方法對(duì)紅棗的邊緣進(jìn)行檢測(cè),然后根據(jù)檢測(cè)出的邊緣再計(jì)算紅棗的面積,面積大于某一設(shè)定閾值的紅棗為優(yōu)等級(jí),其余為低級(jí)。

1.3小波邊緣檢測(cè)

小波變換可以解決時(shí)域和頻域的矛盾,可以將信號(hào)進(jìn)行更精確地分析。圖像中的邊緣點(diǎn)為灰度變化較大的像素點(diǎn),即一階微分極大值點(diǎn)或者二階微分過(guò)零點(diǎn)。圖像邊緣檢測(cè)可以通過(guò)小波的奇異性來(lái)檢測(cè)。設(shè)θ(x,y)為一個(gè)平滑的二維函數(shù),在考慮尺度參數(shù)的情況下,θa(x,y)=■■，■,那么二維小波的定義[11]為:

ψx(x,y)=■

ψy(x,y)=■

用矢量形式表示二維小波變換:

a■+■

=af■（x，y）■+f■（x，y）■

=af(x,y)[ψx(x,y)■+ψy(x,y)■]

=a[(fψx)(x,y)■+(fψy)(x,y)■]

=Wxa f(x,y)■+Wya f(x,y)■

=aΔ(fθa)(x,y)

fθa(x,y)表示圖像f(x,y)與平滑函數(shù)θa(x,y)卷積后的平滑圖像。梯度矢量的模值為:

■ (3)

梯度矢量與水平方向的夾角為:

α=Arg[Wa(x,y)]

=arctan■(4)

確定梯度矢量的模值極值后,再經(jīng)過(guò)閾值的處理,可以得到圖像的邊緣,不同的a可以實(shí)現(xiàn)多個(gè)不同尺度的檢測(cè)。圖像中目標(biāo)的方向性是重要的特征之一,作為小波的改進(jìn)方向,小波的應(yīng)用成為了一個(gè)研究熱點(diǎn),它能有較好的方向性分析,體現(xiàn)了圖像的方向性。任意方向小波變換[12]的定義為:(假設(shè)γ=0,θ∈[0,π)]

Wθa f(x,y)=f(x,y)*g(x,y,θ,γ)

=Wθa f(x,y)cosθ+Wθa f(x,y)sinθ

=||Wa f(x,y)||■?

cosθ+■sinθ (5)

=||Wa f(x,y)||(cos(Arg[Wa f(x,y)]))?

cosθ+sin(Arg[Wa f(x,y)])sinθ

=||Wa f(x,y)||(cosαcosθ+sinαsinθ)

=||Wa f(x,y)||cos(α-θ)

運(yùn)用小波方法對(duì)紅棗進(jìn)行邊緣檢測(cè),為紅棗分級(jí)檢測(cè)解決基礎(chǔ)性的第一步難題,同時(shí)也用經(jīng)典的Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子對(duì)紅棗進(jìn)行邊緣檢測(cè)以便比較分析各自的特點(diǎn)。

1.4分級(jí)檢測(cè)的過(guò)程

檢測(cè)紅棗邊緣后需要對(duì)紅棗的面積進(jìn)行計(jì)算,通過(guò)對(duì)邊緣點(diǎn)的長(zhǎng)度進(jìn)行計(jì)算可以得出邊緣的長(zhǎng)度,將紅棗的形狀假設(shè)為圓形,可以用圓周長(zhǎng)將圓面積求出,即可以求出紅棗的面積。假設(shè)計(jì)算檢測(cè)出邊緣點(diǎn)的長(zhǎng)度,紅棗的面積近似為:

s=■ (6)

因?yàn)檎麄€(gè)過(guò)程屬于比較過(guò)程,所以進(jìn)行近似計(jì)算不影響相對(duì)的比較。

整個(gè)分級(jí)檢測(cè)的仿真試驗(yàn)步驟為:

1)讀入紅棗圖像,將彩色RGB圖像轉(zhuǎn)為灰度圖像;

2)對(duì)紅棗灰度圖像求出小波變換的模值和梯度矢量與水平方向的夾角;

3)在水平方向、垂直方向、-45°方向和+45°方向4個(gè)方向上進(jìn)行搜索判斷模值和梯度方向的條件得到邊緣值,將得到的邊緣值進(jìn)行歸一化,設(shè)定閾值為0.18來(lái)判斷紅棗圖像的邊緣;

4)計(jì)算紅棗的邊緣長(zhǎng)度,確定紅棗邊緣長(zhǎng)度的閾值;

5)根據(jù)公式(6)計(jì)算紅棗的面積;大于邊緣長(zhǎng)度閾值的對(duì)應(yīng)面積閾值的紅棗判定為優(yōu)良等級(jí)的紅棗,否則為較差等級(jí)的紅棗。

針對(duì)不同的分級(jí)機(jī)的機(jī)械設(shè)計(jì),紅棗面積的閾值的確定可以根據(jù)兩種方式:一種方式是針對(duì)分級(jí)機(jī)單個(gè)讀取紅棗圖像并直接進(jìn)行分級(jí)挑揀的情況,閾值根據(jù)經(jīng)驗(yàn)值來(lái)確定,比如某種品種的紅棗大小是在固定范圍內(nèi)波動(dòng),預(yù)先設(shè)定固定的閾值來(lái)進(jìn)行分級(jí)挑揀;另一種方式是針對(duì)分級(jí)機(jī)進(jìn)行大量紅棗圖像同時(shí)進(jìn)行讀取時(shí),遍歷全部紅棗圖像,找到最大面積的紅棗,然后閾值設(shè)定為最大值的80%,大于該閾值的紅棗判定為優(yōu)等級(jí),否則判定為較差等級(jí)。

2結(jié)果與分析

仿真試驗(yàn)中分別對(duì)單個(gè)紅棗和兩個(gè)紅棗為例進(jìn)行小波的邊緣檢測(cè),并且將小波檢測(cè)結(jié)果與Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子檢測(cè)結(jié)果進(jìn)行分析對(duì)比。

2.1 單個(gè)紅棗檢測(cè)結(jié)果

圖1為理想的情況,即一個(gè)紅棗全部被讀入沒(méi)有遮蓋的情況,也是正常情況下的邊緣檢測(cè)。由圖1可以看出,小波方法檢測(cè)出的曲線較少,輪廓清晰,輪廓線的連續(xù)性好,一方面有利于邊緣長(zhǎng)度的計(jì)算;另一方面減少了曲線個(gè)數(shù)的計(jì)算,減少了整個(gè)方法的計(jì)算量。Sobel算子檢測(cè)出的紅棗圖像與小波的方法相比較,噪點(diǎn)較多,定位精度不夠高,邊緣比較模糊;Canny算子檢測(cè)到的邊緣雖然比較連續(xù),但是出現(xiàn)了由噪聲產(chǎn)生的偽邊緣,這樣在計(jì)算紅棗大小時(shí)會(huì)增加計(jì)算量,并且容易出錯(cuò);Prewitt算子和Roberts算子的檢測(cè)結(jié)果類(lèi)似于Sobel算子的檢測(cè)結(jié)果,并且Roberts算子的檢測(cè)結(jié)果中邊緣斷點(diǎn)較多,給計(jì)算紅棗的長(zhǎng)度帶來(lái)困難;Log算子的檢測(cè)結(jié)果邊緣較為連續(xù),有少量斷點(diǎn),與小波方法相比較紅棗內(nèi)部的噪點(diǎn)較多,復(fù)雜度僅次于Canny算子的方法檢測(cè)出的結(jié)果。根據(jù)邊緣檢測(cè)的效果和計(jì)算復(fù)雜度以及后期需要的算法的復(fù)雜度來(lái)比較這幾種方法的優(yōu)劣順序?yàn)樾〔?、Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子。

2.2兩個(gè)有遮蓋的紅棗檢測(cè)結(jié)果

圖2為遮蓋的情況,因此單個(gè)紅棗的邊緣不能完全檢測(cè)出,但是根據(jù)周長(zhǎng)閾值的比較結(jié)果,同樣可以算出單個(gè)紅棗的面積。由圖2可以看出,小波方法對(duì)于有遮蓋的紅棗檢測(cè)仍是輪廓清晰且連續(xù)性好,內(nèi)部曲線較少。Sobel算子檢測(cè)出的紅棗圖像與小波的方法相比較,噪點(diǎn)較多,邊緣斷點(diǎn)較多,邊緣比較模糊;Canny算子檢測(cè)到的邊緣過(guò)于模糊且斷點(diǎn)較多,還出現(xiàn)了由噪聲產(chǎn)生的偽邊緣,這樣在計(jì)算紅棗大小時(shí)對(duì)后期的算法要求較高,且容易出現(xiàn)錯(cuò)誤結(jié)果;Prewitt算子和Roberts算子的檢測(cè)結(jié)果類(lèi)似于Sobel算子的檢測(cè)結(jié)果,Roberts算子的檢測(cè)結(jié)果中邊緣較為清楚;Log算子的檢測(cè)結(jié)果邊緣斷點(diǎn)較多,與小波方法相比較紅棗內(nèi)部的噪點(diǎn)較多,復(fù)雜度僅次于Canny算子的方法檢測(cè)出的結(jié)果。根據(jù)邊緣檢測(cè)的結(jié)果和計(jì)算復(fù)雜度以及后期算法的復(fù)雜度來(lái)比較這幾種方法的優(yōu)劣順序?yàn)樾〔?、Roberts算子、Prewitt算子、Sobel算子、Log算子、Canny算子。對(duì)于單個(gè)和兩個(gè)紅棗進(jìn)行檢測(cè)的仿真結(jié)果都說(shuō)明:較于其他5種算子,小波方法均是最優(yōu)的。

研究中采集的紅棗圖像大小為442×398像素,閾值采用經(jīng)驗(yàn)值,實(shí)際的周長(zhǎng)閾值映射到圖像中的周長(zhǎng)為1 084像素,仿真試驗(yàn)結(jié)果判定為準(zhǔn)確可行,試驗(yàn)結(jié)果見(jiàn)表1。

3小結(jié)與討論

隨著自動(dòng)化技術(shù)在農(nóng)業(yè)產(chǎn)品中應(yīng)用越來(lái)越廣泛,其理論研究的方法也越來(lái)越多,從計(jì)算機(jī)視覺(jué)領(lǐng)域結(jié)合農(nóng)業(yè)自動(dòng)化技術(shù)提出了對(duì)紅棗加工有促進(jìn)作用的紅棗自動(dòng)分級(jí)的核心方法,對(duì)于紅棗生產(chǎn)的地區(qū)有重要意義。研究提出了利用方向小波方法對(duì)紅棗圖像進(jìn)行邊緣檢測(cè)進(jìn)而計(jì)算紅棗大小來(lái)對(duì)紅棗分級(jí)的方法,經(jīng)仿真試驗(yàn)證明小波變換方法的優(yōu)越性及整個(gè)方法的有效性和快速性。此研究是在假設(shè)紅棗無(wú)腐爛的情況下進(jìn)行分級(jí)的,所以有一定的局限性,但在下一步研究中可以彌補(bǔ)此點(diǎn)的不足,設(shè)置多個(gè)閾值可以將紅棗進(jìn)行多個(gè)等級(jí)的分揀。

參考文獻(xiàn):

[1] 李湘萍.6ZF-0.5型紅棗分級(jí)機(jī)的試驗(yàn)研究[J].山西農(nóng)機(jī),2000(14):3-5.

[2] 張保生,姚瑞央.基于BP神經(jīng)網(wǎng)絡(luò)算法的紅棗分級(jí)技術(shù)應(yīng)用[J].廣東農(nóng)業(yè)科學(xué),2010(11):282-283.

[3] 趙杰文,劉少鵬,鄒小波.基于機(jī)器視覺(jué)和支持向量機(jī)的缺陷棗的識(shí)別研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2008,39(3):113-115.

[4] 肖愛(ài)玲.幾種典型的紅棗分級(jí)機(jī)[J].新疆農(nóng)機(jī)化,2010(4):10-11.

[5] 肖愛(ài)玲,李偉.我國(guó)紅棗分級(jí)技術(shù)及紅棗分級(jí)機(jī)研究現(xiàn)狀[J].農(nóng)機(jī)化研究,2011(11):241-244.

[6] 沈從舉,賈首星,鄭炫,等.紅棗分級(jí)機(jī)械的現(xiàn)狀與發(fā)展[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào),2013,34(1):26-30.

[7] 宋文龍,閔昆龍,邢奕,等.基于小波變換的自適應(yīng)閾值植物根系圖像邊緣檢測(cè)[J].北京科技大學(xué)學(xué)報(bào),2012,34(8):966-970.

[8] 王敬東,徐亦斌,.圖像小波邊緣檢測(cè)中邊界處理的研究[J].計(jì)算機(jī)工程,2007,33(5):161-163.

[9] 鮑雄偉.小波變換在圖像邊緣檢測(cè)中的應(yīng)用[J].電子設(shè)計(jì)工程,2012,20(14):160-162.

[10] 薄勝坤,張麗英.一種基于小波變換和Canny算子相結(jié)合的邊緣檢測(cè)方法[J].長(zhǎng)春大學(xué)學(xué)報(bào),2012,22(10):1177-1180.